Las redes neuronales pueden identificar el dióxido de carbono en las observaciones sísmicas

Eliminación de dióxido de carbono (CO .)₂) de la atmósfera terrestre es una herramienta prometedora en la lucha contra el cambio climático. La captura y secuestro de carbono (CCS) utiliza técnicas mecánicas y químicas para eliminar el dióxido de carbono₂ del aire, concentrarlo e inyectarlo bajo tierra para su almacenamiento a largo plazo. Aunque la captura y almacenamiento de dióxido de carbono representa actualmente una pequeña parte de los esfuerzos de mitigación del cambio climático, su importancia puede aumentar en las próximas décadas.

Uno de los elementos clave en la captura y almacenamiento de dióxido de carbono es asegurar la captura de monóxido de carbono₂ Las concentraciones permanecen almacenadas de forma segura y estable dentro de las unidades geológicas en las que se inyectan, lo que se realiza principalmente a través de series temporales en 3D. observaciones sísmicas. como CO₂ Inyectado en los poros de las rocas, altera drásticamente la densidad general de la roca y otras propiedades de masa, produciendo diferentes respuestas a las ondas sísmicas entrantes.

Al observar cómo se desarrollan las características sísmicas del área durante la implementación del proyecto CCS, los científicos e ingenieros pueden monitorear la difusión del dióxido de carbono.₂ en toda la región. Sin embargo, la conversión de mapas sísmicos 3D a dióxido de carbono₂ Las distribuciones requieren una transformación de datos significativa, así como la interpretación por parte de un técnico. A medida que las herramientas de adquisición de datos y los intérpretes cambian con el tiempo, mantener la coherencia de las series temporales se convierte en un desafío.

Li y Li proponen abordar estas dificultades mediante el uso de un algoritmo de aprendizaje automático para procesar e interpretar los datos. En su nuevo estudio, reclutaron a un red neuronalEl enfoque basado se conoce como U-net, que se desarrolló originalmente para la interpretación de imágenes biomédicas.

Los autores entrenaron red Usando un conjunto disponible públicamente de datos sísmicos CCS. Los datos de referencia se obtuvieron en 1994, con algunas notas de seguimiento hasta 2010. Además de datos sísmicos, los datos de seguimiento para 2010 incluyen dióxido de carbono etiquetado₂ Áreas derivadas del procesamiento humano tradicional. Debido a que estos datos están muy espaciados en el tiempo, representan observaciones realizadas utilizando diferentes generaciones de tecnología e interpretadas por diferentes técnicos.

Después del entrenamiento, que solo requirió varias horas en una PC de consumo de alta gama, los autores evaluaron su red neuronal usando datos separados. Procesar una sola nota con la red neuronal requiere solo unos segundos. Descubrieron que la red produce resultados de alta calidad que son precisos para las etiquetas enviadas por humanos y consistentes entre las observaciones. Es importante destacar que U-net mantuvo su utilidad incluso frente a discrepancias moderadas causadas por el procesamiento.

A medida que los proyectos CCS aumentan en número y duración, será importante establecer una línea de base consistente para la interpretación de los resultados sísmicos. Este trabajo indica que un enfoque basado en redes neuronales puede proporcionar con éxito esta métrica, aumentando la confiabilidad y la comparabilidad del CO subterráneo.₂ notas

Introducción por Eos

Esta historia ha sido republicada con permiso de AGU Blogs (https://eos.org/), una comunidad de blogs de ciencias de la Tierra y el espacio, organizada por la Unión Geofísica Americana. Leer la historia original aquí.